Series.replace不能使用类字典的to_replace和非None值。问题的原因是Series.replace()方法在使用类字典的to_replace参数时，不支持传入一个字典，而是要求传入一个标量值或者一个Series。解决方法是将to_replace参数改为一个标量值或者Series，或者使用其他方法替代Series.replace()。

文章如下：

虽然下面的代码能够完成工作，但是性能会受到很大影响，特别是当处理包含10万条或更多记录的DataFrame时：

df.fillna(df.mean())

根据我的经验，应该只在必要的情况下替换NaN值（无论是用平均值还是中位数），而不是在整个DataFrame上应用fillna()。

我有一个包含20个变量的DataFrame，只有其中的4个变量需要处理NaN值（替换）。我尝试了上面的代码（代码1），以及稍微修改过的版本（代码2），只在有NaN值的变量上运行代码2。

#------------------------------------------------
#----(Code 1) Treatment on overall DataFrame-----
df.fillna(df.mean())
#------------------------------------------------
#----(Code 2) Selective Treatment----------------
for i in df.columns[df.isnull().any(axis=0)]:     #---Applying Only on variables with NaN values
    df[i].fillna(df[i].mean(),inplace=True)
#---df.isnull().any(axis=0) gives True/False flag (Boolean value series), 
#---which when applied on df.columns[], helps identify variables with NaN values

下面是我观察到的性能，随着DataFrame中记录数量的增加而增加。

DataFrame中有约10万条记录：

- 代码1：22.06秒

- 代码2：0.03秒

DataFrame中有约20万条记录：

- 代码1：180.06秒

- 代码2：0.06秒

DataFrame中有约160万条记录：

- 代码1：代码一直在运行，没有结束

- 代码2：0.40秒

DataFrame中有约1300万条记录：

- 代码1：在看到160万条记录的性能后，没有尝试

- 代码2：3.20秒

对于回答如此之长表示歉意！希望能对你有所帮助！我已经对上述所有方法进行了计时，你的方法是最快的。谢谢！

快！！！！！！

在上述代码中，使用了DataFrame的fillna方法来填充缺失值。通过传入df.mean()作为参数，可以用该DataFrame的均值来填充缺失值。然而，对于Series的replace方法，在使用类似字典的to_replace和非None的value参数时是无法使用的。

解决方法是使用fillna方法时，可以将df.mean()转换为字典形式，即df.mean().to_dict()。这样就可以传入字典形式的参数，成功填充缺失值。

此外，需要注意的是，使用df.fillna(df.mean())会返回新的DataFrame，如果想保留更改，需要将其赋值给原来的DataFrame，即df=df.fillna(df.mean())。

如果想在原地修改DataFrame，也可以使用df.fillna(df.mean(), inplace=True)来实现。

需要注意的是，如果将该方法用于机器学习或数据科学，先替换缺失值再分割数据集是错误的。正确的做法是先将数据集分割为训练集和测试集，然后在训练集上计算均值并替换缺失值，最后将这个模型应用于测试集。这样可以避免将测试集的信息泄漏到训练集中。

有人可能会问，为什么不使用df.fillna(df.mean(1))来计算列平均值？实际上，fillna方法默认是按照列进行填充的，因此只需要使用df.fillna(df.mean())即可。括号中不传入任何参数表示按照默认的列进行计算。